CN108009551B - 适用于电力作业机器人的电力刀闸分合位状态识别方法 - Google Patents

适用于电力作业机器人的电力刀闸分合位状态识别方法 Download PDF

Info

Publication number
CN108009551B
CN108009551B CN201711168115.1A CN201711168115A CN108009551B CN 108009551 B CN108009551 B CN 108009551B CN 201711168115 A CN201711168115 A CN 201711168115A CN 108009551 B CN108009551 B CN 108009551B
Authority
CN
China
Prior art keywords
image
knife switch
disconnecting link
perspective transformation
modeling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711168115.1A
Other languages
English (en)
Other versions
CN108009551A (zh
Inventor
冯维纲
陈练
马路
程雷鸣
熊少华
冯维颖
曹昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUHAN ZHONGYUAN HUADIAN SOFTWARE CO Ltd
Original Assignee
WUHAN ZHONGYUAN HUADIAN SOFTWARE CO Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by WUHAN ZHONGYUAN HUADIAN SOFTWARE CO Ltd filed Critical WUHAN ZHONGYUAN HUADIAN SOFTWARE CO Ltd
Priority to CN201711168115.1A priority Critical patent/CN108009551B/zh
Publication of CN108009551A publication Critical patent/CN108009551A/zh
Application granted granted Critical
Publication of CN108009551B publication Critical patent/CN108009551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种适用于电力作业机器人的电力刀闸分合位状态识别方法。本方法主要包括以下步骤：(1)建立模板：采集一张包含刀闸的图像作为建模图像，建立定位区域模板和刀闸区域模板，生成定位模板图像和目标模板图像；(2)采集新的刀闸图像，求新的刀闸图像到定位模板图像的透视变换图；(3)定位目标，在透视变换图中定位出刀闸位置；(4)计算目标模板图像与透视变换图中的刀闸区域的相似度；(5)刀闸状态判断：根据定位的刀闸位置、相似度和刀闸模板图中刀闸状态判断新采集的刀闸图象中刀闸的状态。本发明解决了智能电网中开关状态的自动识别问题，降低了人力成本，提高了巡检效率。

Description

适用于电力作业机器人的电力刀闸分合位状态识别方法
技术领域
本发明属于智能电网在线监测领域，涉及图像识别技术，特别涉及一种适用于电力作业机器人的电力刀闸分合位状态识别方法。
背景技术
随着电网规模的不断扩大，为了提高电力生产的安全性、可靠性、高效性，变电站无人化已成为当今电网智能发展的趋势，刀闸作为变电站中重要的组成部分，关系到整个电网的稳定运行。在常规的变电站中，需要人工操作并确认刀闸是否准确倒闸到位，并将结果传递到监控中心，这种模式人工劳动强度大、效率低且受操作人员的主观性影响，易产生误判。
现有技术对刀闸的分析有：
(1)采用机器学习的方法。该方法先对刀闸设备图像的刀闸设备特征进行学习，后对输入的刀闸设备图像进行状态识别，此方法需要收集大量的样本才能体现该方法的优势，然而刀闸种类繁多，一旦样本不足，则该方法的精确度将大大降低。
(2)采用直线检测的方法。该方法通过检测刀闸区域的直线情况判断刀闸的状态，然而刀闸环境复杂，该方法很难排除环境的干扰，鲁棒性差。
发明内容
本发明发明目的为了解决现有技术的不足，提供一种适用于电力作业机器人的电力刀闸分合位状态识别方法。本发明解决了智能电网中开关状态的自动识别问题，降低了人力成本，提高了巡检效率。
为了实现上述目的，本发明采用以下技术方案：
适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，包括以下步骤：
(1)建立模板：采集一张包含刀闸的图像作为建模图像，分别选取建模图像中刀闸附近的两个特征较多的区域作为定位模板区域，生成两个定位模板图像，选取建模图像中的刀闸区域作为目标模板区域，生成目标模板图像，保存两个定位模板图像、目标模板图像、两个定位模板图像在建模图像中的坐标、目标模板图像在建模图像中的坐标和建模图像中刀闸的状态信息；
(2)采集新的刀闸图像作为待测图像，求待测图像的透视变换图。
(3)用目标模板图像与透视变换图进行Surf特征匹配，进而定位出透视变换图中的刀闸位置，计算透视变换图中刀闸位置与建模图像中目标模板区域的位置的重合度；
(4)根据目标模板区域在建模图像中的坐标在透视变换图中相应位置提取刀闸区域，生成大小与目标模板图像相同的刀闸图像，计算生成的刀闸图像与目标模板图像的相似度；
(5)根据步骤(3)中的位置的重合度、步骤(4)中的相似度和建模图像中的刀闸状态综合判断待测图像的刀闸状态。
进一步地，所述步骤(1)中，两个定位模板图像为建模图像中刀闸附近的两个特征较多且不包含刀闸的区域生成的图像。
进一步地，所述步骤(2)中求待测图像的透视变换图的具体步骤如下：
(1)分别提取两个定位模板图像的Surf特征描述子和待测图像的Surf特征描述子；
(2)分别用两个定位模板图像的Surf特征描述子与待测图像的Surf特征描述子进行匹配，得出两个待测图像到定位模板图像的透视变换矩阵，根据两个透视变换矩阵求得两个与定位模板图像一一对应的待测图像的透视变换图。
(3)根据两个定位模板图像在建模图像中的坐标，分别在与定位模板图像对应的透视变换图中提取相应的区域，生成两个与对应的定位模板图像大小相同的定位区域图像。
(4)用SSIM方法分别计算两个定位模板图像和与定位模板图像对应的定位区域图像的相似度，得到两个相似度值，选择对应相似度值大的定位模板图像所对应的透视变换图为最终的透视变换图。
更进一步地，所述步骤(1)和(2)中Surf特征描述子提取的步骤如下：
(1)构建高斯金字塔尺度空间
用不同核大小的高斯函数对图像进行高斯滤波，然后分别用Hessian矩阵对每个高斯滤波后的图像的像素点进行计算，得到图像的多个不同尺度下的表示，由此构成图像的高斯金字塔尺度空间。计算公式为:
Figure GDA0003179271470000021
L(x,σ)＝G(σ)*I(x)
其中，σ为尺度因子，x、y分别像素点坐标，H(x,σ)为每个像素点的Hessian矩阵计算公式，G(σ)为高斯核函数，I(x)为图像上的像素点的像素值，L(x,σ)为经过高斯滤波后的图像上的像素点的像素值，Lxx(x,σ)，Lyy(x,σ)表示L(x,σ)分别对x，y求二阶偏导，Lxy(x,σ)为L(x,σ)先后对x和y求一阶偏导。
(2)定位特征点
利用非极大值抑制筛选图像高斯金字塔尺度空间中的图像的每个像素点，初步定位出感兴趣点，后利用线性插值法得到亚像素级的特征点，并去掉值小于预设阈值的点，最终只保留少数特征最强的点。
(3)主方向确定
以特征点为中心，计算半径为6S(S为特征点所在的尺度)领域内的所有点在x， y两个方向上的Haar小波特征，并旋转扫描统计60°扇形区域内的点的小波特征的总和，选择值最大的那个扇形的方向作为该特征点的主方向。
(4)生成SURF特征描述子
以特征点的方向为主方向，选择边长为20S的正方形区域，并将该区域分成4*4 个子区域，每个子区域5*5个像素点，统计每个子区域25个像素点的水平方向和垂直方向的Haar小波响应dx和dy，对每个子区域的dx，dy，|dx|，|dy|求和并归一化即可得到该特征点的64维特征向量，该特征向量即为该特征点的特征描述子。
进一步地，所述步骤(3)中重合度是指透视变换图中定位的刀闸位置与建模图像中目标模板区域的位置是否重合，若Surf特征匹配未在透视变换图中定位到刀闸位置，则重合度为0；若在透视变换图中定位到刀闸位置，则重合度计算方法如下：
Figure GDA0003179271470000022
其中，ΔL表示透视变换图中定位的刀闸位置与建模图像中目标模板区域的位置的坐标距离，L1表示透视变换图中定位的刀闸位置，L2表示建模图像中目标模板区域的位置， T为距离的阈值，1表示重合，0表示不重合。
进一步地，所述步骤(4)中相似度的计算步骤为：
(1)分别将刀闸图像和目标模板图像进行二值化处理，生成刀闸图像的二值化图像和目标模板图像的二值化图像；
(2)分别对刀闸图像的二值化图像和目标模板图像的二值化图像进行边缘检测处理，生成刀闸图像的二值化轮廓图像和目标模板图像的二值化轮廓图像。本发明的边缘检测采用现有方法进行；
(3)用SSIM方法计算刀闸图像的二值化轮廓图像和目标模板图像的二值化轮廓图像的相似度。
进一步地，所述的一种适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，所述步骤(5)中刀闸判断方法如下：
a.相似度大于等于70％，则待测图像刀闸状态与建模图像刀闸状态一致；
b.相似度小于40％，则待测图像刀闸状态与建模图像刀闸状态不一致；
c.相似度大于等于40％且小于70％，若重合度为1，则待测图像刀闸状态与建模图像刀闸状态一致，若重合度为0，则待测图像刀闸状态与建模图像刀闸状态不一致。
有益效果：本发明能够替代人工实现变电站刀闸开关的自动识别，大大提高了效率。本发明操作简单，无需大量的样本，且抗干扰能力强，具有较高的实用性。
附图说明
图1为本发明的流程图。
具体实施方式
为更清楚说明本发明的目的、方案和优点，下面结合附图对本发明的实施方式进一步详细描述。
如图1所示，一种适用于电力作业机器人的电力刀闸分合位状态识别方法，它利用变电站巡检机器人采集刀闸设备的图像，建立模型数据，并利用模型数据与输入数据对比进行刀闸定位和识别，具体实施步骤如下：
(1)建立模板：采集一张包含刀闸的图像作为建模图像，分别选取建模图像中刀闸附近的两个特征较多的区域作为定位模板区域，生成两个定位模板图像，选取建模图像中的刀闸区域作为目标模板区域，生成目标模板图像，保存两个定位模板图像、目标模板图像、两个定位模板图像在建模图像中的坐标、目标模板图像在建模图像中的坐标和建模图像中刀闸的状态信息；
(2)采集新的刀闸图像作为待测图像，求待测图像的透视变换图。具体步骤为：
(2－1)分别提取两个定位模板图像的Surf特征描述子和待测图像的Surf特征描述子；
所述步骤(2－1)中Surf特征描述子提取的步骤如下：
(a)构建高斯金字塔尺度空间
用不同核大小的高斯函数对图像进行高斯滤波，然后分别用Hessian矩阵对每个高斯滤波后的图像的像素点进行计算，得到图像的多个不同尺度下的表示，由此构成图像的高斯金字塔尺度空间。计算公式为:
Figure GDA0003179271470000041
L(x,σ)＝G(σ)*I(x)
其中，σ为尺度因子，x、y分别像素点坐标，H(x,σ)为每个像素点的Hessian矩阵计算公式，G(σ)为高斯核函数，I(x)为图像上的像素点的像素值，L(x,σ)为经过高斯滤波后的图像上的像素点的像素值，Lxx(x,σ)，Lyy(x,σ)表示L(x,σ)分别对x，y求二阶偏导，Lxy(x,σ)为L(x,σ)先后对x和y求一阶偏导。
(b)定位特征点
利用非极大值抑制筛选图像高斯金字塔尺度空间中的图像的每个像素点，初步定位出感兴趣点，后利用线性插值法得到亚像素级的特征点，并去掉值小于预设阈值的点，最终只保留少数特征最强的点。
(c)主方向确定
以特征点为中心，计算半径为6S(S为特征点所在的尺度)领域内的所有点在x， y两个方向上的Haar小波特征，并旋转扫描统计60°扇形区域内的点的小波特征的总和，选择值最大的那个扇形的方向作为该特征点的主方向。
(d)生成SURF特征描述子
以特征点的方向为主方向，选择边长为20S的正方形区域，并将该区域分成4*4 个子区域，每个子区域5*5个像素点，统计每个子区域25个像素点的水平方向和垂直方向的Haar小波响应dx和dy，对每个子区域的dx，dy，|dx|，|dy|求和并归一化即可得到该特征点的64维特征向量，该特征向量即为该特征点的特征描述子；
(2－2)分别用两个定位模板图像的Surf特征描述子与待测图像的Surf特征描述子进行匹配，得出两个待测图像到定位模板图像的透视变换矩阵，根据两个透视变换矩阵求得两个与定位模板图像一一对应的待测图像的透视变换图；
(2－3)根据两个定位模板图像在建模图像中的坐标，分别在与定位模板图像对应的透视变换图中提取相应的区域，生成两个与对应的定位模板图像大小相同的定位区域图像；
(2－4)用SSIM方法分别计算两个定位模板图像和与定位模板图像对应的定位区域图像的相似度，得到两个相似度值，选择对应相似度值大的定位模板图像所对应的透视变换图为最终的透视变换图。
(3)用目标模板图像与透视变换图进行Surf特征匹配，进而定位出透视变换图中的刀闸位置，计算透视变换图中刀闸位置与建模图像中目标模板区域的位置的重合度；重合度是指透视变换图中定位的刀闸位置与建模图像中目标模板区域的位置是否重合，若Surf特征匹配未在透视变换图中定位到刀闸位置，则重合度为0；若在透视变换图中定位到刀闸位置，则重合度计算方法如下：
Figure GDA0003179271470000042
其中，ΔL表示透视变换图中定位的刀闸位置与建模图像中目标模板区域的位置的坐标距离，L1表示透视变换图中定位的刀闸位置，L2表示建模图像中目标模板区域的位置，T为距离的阈值，1表示重合，0表示不重合。
(4)根据目标模板区域在建模图像中的坐标在透视变换图中相应位置提取刀闸区域，生成大小与目标模板图像相同的刀闸图像，计算生成的刀闸图像与目标模板图像的相似度；具体步骤为：
(4－1)分别将刀闸图像和目标模板图像进行二值化处理，生成刀闸图像的二值化图像和目标模板图像的二值化图像；
(4－2)分别对刀闸图像的二值化图像和目标模板图像的二值化图像进行边缘检测处理，生成刀闸图像的二值化轮廓图像和目标模板图像的二值化轮廓图像。本发明的边缘检测采用现有方法进行；
(4－3)用SSIM方法计算刀闸图像的二值化轮廓图像和目标模板图像的二值化轮廓图像的相似度。
(5)根据步骤(3)中的位置的重合度、步骤(4)中的相似度和建模图像中的刀闸状态综合判断待测图像的刀闸状态，刀闸判断方法如下：
a.相似度大于等于70％，则待测图像刀闸状态与建模图像刀闸状态一致；
b.相似度小于40％，则待测图像刀闸状态与建模图像刀闸状态不一致；
c.相似度大于等于40％且小于70％，若重合度为1，则待测图像刀闸状态与建模图像刀闸状态一致，若重合度为0，则待测图像刀闸状态与建模图像刀闸状态不一致。
本发明一种适用于电力作业机器人的电力刀闸分合位状态识别方法，可以代替人工，大大地提高识别的效率，消除操作人员的主观性影响。
上述虽然结合附图对本发明的具体实施进行了描述，但并非对本发明保护范围的限制，本领域技术人员在不需要创造性成果的前提下，做出的各种修改都应当视为属于本发明的保护范围。

Claims (7)

1.适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，包括以下步骤：
(1)建立模板：采集一张包含刀闸的图像作为建模图像，分别选取建模图像中刀闸附近的两个特征较多的区域作为定位模板区域，生成两个定位模板图像，选取建模图像中的刀闸区域作为目标模板区域，生成目标模板图像，保存两个定位模板图像、目标模板图像、两个定位模板图像在建模图像中的坐标、目标模板图像在建模图像中的坐标和建模图像中刀闸的状态信息；
(2)采集新的刀闸图像作为待测图像，求待测图像的透视变换图；
(3)用目标模板图像与透视变换图进行Surf特征匹配，进而定位出透视变换图中的刀闸位置，计算透视变换图中刀闸位置与建模图像中目标模板区域的位置的重合度；
(4)根据目标模板区域在建模图像中的坐标在透视变换图中相应位置提取刀闸区域，生成大小与目标模板图像相同的刀闸图像，计算生成的刀闸图像与目标模板图像的相似度；
(5)根据步骤(3)中的位置的重合度、步骤(4)中的相似度和建模图像中的刀闸状态综合判断待测图像的刀闸状态。
2.如权利要求1所述的适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，所述步骤(1)中，所述的两个定位模板图像为建模图像中刀闸附近的两个特征较多且不包含刀闸的区域生成的图像。
3.如权利要求1所述的适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，所述步骤(2)中求得待测图像的透视变换图具体步骤如下：
(1)分别提取两个定位模板图像的Surf特征描述子和待测图像的Surf特征描述子；
(2)分别用两个定位模板图像的Surf特征描述子与待测图像的Surf特征描述子进行匹配，得出两个待测图像到定位模板图像的透视变换矩阵，根据两个透视变换矩阵求得两个与定位模板图像一一对应的待测图像的透视变换图；
(3)根据两个定位模板图像在建模图像中的坐标，分别再与定位模板图像对应的透视变换图中提取相应的区域，生成两个与对应的定位模板图像大小相同的定位区域图像；
(4)用SSIM方法分别计算两个定位模板图像和与定位模板图像对应的定位区域图像的相似度，得到两个相似度值，选择对应相似度值大的定位模板图像所对应的透视变换图为最终的透视变换图。
4.如权利要求3所述的适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，所述步骤(1)和(2)中Surf特征描述子提取的步骤如下：
(1)构建高斯金字塔尺度空间
用不同核大小的高斯函数对图像进行高斯滤波，然后分别用Hessian矩阵对每个高斯滤波后的图像的像素点进行计算，得到图像的多个不同尺度下的表示，由此构成图像的高斯金字塔尺度空间，计算公式为:
Figure FDA0003179271460000021
L(x，σ)＝G(σ)*I(x)
其中，σ为尺度因子，x、y分别像素点坐标，H(x,σ)为每个像素点的Hessian矩阵计算公式，G(σ)为高斯核函数，I(x)为图像上的像素点的像素值，L(x,σ)为经过高斯滤波后的图像上的像素点的像素值，Lxx(x,σ)、Lyy(x,σ)表示L(x,σ)分别对x，y求二阶偏导，Lxy(x,σ)为L(x,σ)先后对x和y求一阶偏导；
(2)定位特征点
利用非极大值抑制筛选图像高斯金字塔尺度空间中的图像的每个像素点，初步定位出感兴趣点，后利用线性插值法得到亚像素级的特征点，并去掉值小于预设阈值的点，最终只保留少数特征最强的点；
(3)主方向确定
以特征点为中心，计算半径为6S领域内的所有点在x，y两个方向上的Haar小波特征，S为特征点所在的尺度，并旋转扫描统计60°扇形区域内的点的小波特征的总和，选择值最大的那个扇形的方向作为该特征点的主方向；
(4)生成SURF特征描述子
以特征点的方向为主方向，选择边长为20S的正方形区域，并将该区域分成4*4个子区域，每个子区域5*5个像素点，统计每个子区域25个像素点的水平方向和垂直方向的Haar小波响应dx和dy，对每个子区域的dx，dy，|dx|，|dy|求和并归一化即可得到该特征点的64维特征向量，该特征向量即为该特征点的特征描述子。
5.如权利要求1所述的适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，所述步骤(3)中重合度是指透视变换图中定位的刀闸位置与建模图像中目标模板区域的位置是否重合，若Surf特征匹配未在透视变换图中定位到刀闸位置，则重合度为0；若在透视变换图中定位到刀闸位置，则重合度计算方法如下：
ΔL＝|L1-L2|，
Figure FDA0003179271460000041
其中，ΔL表示透视变换图中定位的刀闸位置与建模图像中目标模板区域的位置的坐标距离，L1表示透视变换图中定位的刀闸位置，L2表示建模图像中目标模板区域的位置，T为距离的阈值，1表示重合，0表示不重合。
6.如权利要求1所述的适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，所述步骤(4)中相似度的计算步骤为：
(1)分别将刀闸图像和目标模板图像进行二值化处理，生成刀闸图像的二值化图像和目标模板图像的二值化图像；
(2)分别对刀闸图像的二值化图像和目标模板图像的二值化图像进行边缘检测处理，生成刀闸图像的二值化轮廓图像和目标模板图像的二值化轮廓图像；
(3)用SSIM方法计算刀闸图像的二值化轮廓图像和目标模板图像的二值化轮廓图像的相似度。
7.如权利要求1所述的适用于电力作业机器人的电力刀闸分合位状态识别方法，其特征在于，所述步骤(5)中刀闸判断方法如下：
a.相似度大于等于70％，则待测图像刀闸状态与建模图像刀闸状态一致；
b.相似度小于40％，则待测图像刀闸状态与建模图像刀闸状态不一致；
c.相似度大于等于40％且小于70％，若重合度为1，则待测图像刀闸状态与建模图像刀闸状态一致，若重合度为0，则待测图像刀闸状态与建模图像刀闸状态不一致。
CN201711168115.1A 2017-11-21 2017-11-21 适用于电力作业机器人的电力刀闸分合位状态识别方法 Active CN108009551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711168115.1A CN108009551B (zh) 2017-11-21 2017-11-21 适用于电力作业机器人的电力刀闸分合位状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711168115.1A CN108009551B (zh) 2017-11-21 2017-11-21 适用于电力作业机器人的电力刀闸分合位状态识别方法

Publications (2)

Publication Number Publication Date
CN108009551A CN108009551A (zh) 2018-05-08
CN108009551B true CN108009551B (zh) 2021-10-26

Family

ID=62052948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711168115.1A Active CN108009551B (zh) 2017-11-21 2017-11-21 适用于电力作业机器人的电力刀闸分合位状态识别方法

Country Status (1)

Country Link
CN (1) CN108009551B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308814A (zh) * 2019-07-26 2021-02-02 北京四方继保自动化股份有限公司 一种电力系统刀闸分合位状态自动识别方法和系统
CN110717409A (zh) * 2019-09-21 2020-01-21 南京鑫和汇通电子科技有限公司 一种对开式刀闸状态的实时精确检测方法
CN112418226B (zh) * 2020-10-23 2022-11-25 济南信通达电气科技有限公司 一种鱼眼分合闸状态识别的方法及装置
CN112769229B (zh) * 2020-12-11 2022-06-10 国网浙江省电力有限公司绍兴供电公司 基于实物id与图像系统融合的刀闸状态识别分析方法
CN113674352A (zh) * 2021-07-28 2021-11-19 浙江大华技术股份有限公司 开关状态检测方法、电子装置和存储介质
CN114092722A (zh) * 2021-10-21 2022-02-25 许继电气股份有限公司 一种基于模板匹配的高压隔离刀闸开合识别方法及装置
CN114220068B (zh) * 2021-11-08 2023-09-01 珠海优特电力科技股份有限公司 刀闸分合状态确定方法、装置、设备、介质及产品
CN116843933B (zh) * 2023-09-02 2023-11-21 苏州聚视兴华智能装备有限公司 图像模板匹配优化方法、装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509100A (zh) * 2011-10-26 2012-06-20 山东电力研究院 一种基于图像模式识别的刀闸分合可靠性识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017182274A (ja) * 2016-03-29 2017-10-05 セイコーエプソン株式会社 情報処理装置およびコンピュータープログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509100A (zh) * 2011-10-26 2012-06-20 山东电力研究院 一种基于图像模式识别的刀闸分合可靠性识别方法

Also Published As

Publication number Publication date
CN108009551A (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
CN108009551B (zh) 适用于电力作业机器人的电力刀闸分合位状态识别方法
CN109118479B (zh) 基于胶囊网络的绝缘子缺陷识别定位装置及方法
CN112199993B (zh) 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN102289676B (zh) 基于红外检测的变电站刀闸模式识别方法
CN105354866A (zh) 一种多边形轮廓相似度检测方法
CN110991448A (zh) 电力设备铭牌图像的文本检测方法及装置
CN108052946A (zh) 一种基于卷积神经网络的高压机柜开关自动识别方法
CN105740899A (zh) 一种机器视觉图像特征点检测与匹配复合的优化方法
CN105404867A (zh) 一种基于视觉的变电站隔离开关状态识别方法
CN109389165A (zh) 基于巡检机器人的变压器油位计识别方法
CN109344768A (zh) 基于巡检机器人的指针式断路器识别方法
CN111126253A (zh) 基于图像识别的刀闸状态检测方法
CN111402224A (zh) 一种用于电力设备的目标识别方法
CN116311201A (zh) 一种基于图像识别技术的变电站设备状态识别方法及系统
CN111861866A (zh) 一种变电站设备巡检图像全景重建方法
CN108133211B (zh) 一种基于移动终端视觉图像的检测配电柜的方法
CN115018846A (zh) 基于ai智能相机的多目标裂纹缺陷检测方法和装置
Huang et al. Implementation of workpiece recognition and location based on opencv
CN113269234B (zh) 一种基于目标检测的连接件装配检测方法和系统
CN116452604A (zh) 一种复杂变电站场景分割方法、设备及存储介质
CN115439319A (zh) 一种电滑线防护装置裸露检测方法
CN109359646A (zh) 基于巡检机器人的液位型仪表识别方法
CN111080562A (zh) 一种基于增强图像对比的变电场所悬挂物识别方法
Zhifan et al. Research and implementation of an improved license plate recognition algorithm
CN112487916B (zh) 一种电力设备双目三维立体识别系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant